Kunstig intelligens i strømnettet

Den norske nettbransjen står ovenfor en formidabel utfordring. Her kan kunstig intelligens være med på å løse et viktig samfunnsoppdrag. Med det grønne skiftet i samfunnet følger ikke bare et økt behov for strøm, men også en stadig økende belastning på strømnettet i Norge. Dette resulterer i et kapasitetsproblem som tvinger nettselskapene til å optimalisere egen drift og tilrettelegge for smartere styring av strømnettet.

Viktigheten av KI i tråd med industriens behov

Nettbransjens utfordring mot en grønn industri

En overgang til grønn industri krever at kapasiteten i strømnettet kan øke i takt med det norske samfunnets behov for strømleveranse. Større og større andel av den norske industrien planlegger overgang til ren elektrisk energi, samtidig som private husholdninger skifter til elektriske kjøretøy i høyt tempo. Denne endringen skjer hurtig, og øker stadig antallet brukere som skal trekke mye strøm fra strømnettet samtidig. Dermed øker også den fysiske belastning på strømnettet vårt og komponentene som det består av. Dette resulterer i et kapasitetsproblem, hvor vi passerer belastningen som strømnettet faktisk er dimensjonert for.

Å bygge ut strømnettet er en kostbar og tidkrevende prosess som krever god planlegging. Utbygging alene vil derfor ikke klare å holde takt med den økende etterspørselen. For å møte disse kapasitetsbegrensningene kreves derfor en kombinasjon av både utbygging og smartere strømstyring. Planleggingen av fremtidens strømnett må legge til rette for at eksisterende nettstruktur utnyttes best mulig, slik at utbygging kan prioriteres der den faktisk er nødvendig. For å oppnå en slik optimalisering, er innsikt og analyse viktige nøkkelord.

Driften av framtidens nett må støtte seg på informasjon og innsikt

I NVE sin rapport fra 2020, Fra brettet til det smarte nettet, ble det presentert en anbefaling rundt fremtidens organisering og ansvarsfordeling i kraftsystemet. Det påpekes at utfordringene i dagens kraftsystem er til stede på alle nettnivå, og vil bli mer framtredende i tiden framover. Basert på deres analyse av både behov for og muligheter til mer aktiv nettdrift, har de definert visjonen «Alle nettselskap må i dialog med tilknyttede nettselskap og nettkunder ta ansvar for driften av sitt eget nett». Med utgangspunkt i dette, trekker de fram forslag til konkrete tiltak basert på utfordringer innenfor fem hovedområder; koblingsbilder, spenningsregulering, driftstanskoordinering, flaskehalshåndtering og jordstrømskompensering. Fellesnevneren for alle deres forslag er informasjon og informasjonsutveksling. Nettselskapene må foreta grundige analyser av eget nett.

I rapporten trekkes informasjon og informasjonsutveksling fram som det viktigste tiltaksområdet for å sikre mer effektiv nettdrift. Dette forutsetter imidlertid at nettselskapene må være i stand til å foreta grundige analyser av eget nett. Nettselskapene må kunne dele informasjon om den løpende tilstanden i nettet, vise til strukturelle data om koblingen mellom nettets fysiske komponenter og deres tilknytning til kunder, samt dele plandata om nettselskapets kommende utredninger og tiltak. Helst bør denne informasjonen kunne flyte sømløst og automatisk på tvers av systemer og selskaper for å sikre god koordinasjon og samarbeid. Framover blir derfor nettselskapene mer avhengige av forbedrede nettmodeller for digital representasjon av nettet, samt utviklingen av nye verktøy for analyser og prognoser i nettdriften. Dette er et spennende felt som både forskningsinstitusjoner og industri jobber aktivt med om dagen, deriblant CINELDI (Centre for intelligent electricity distribution) som er finansiert av Norsk forskningsråd.

AMS – målerne har gitt oss mye data og spennende muligheter

Etter påleggingen av de digitale AMS-målerne hos alle strømkunder i 2011 har nettselskapene opparbeidet seg en mye bedre oversikt over hva som faktisk skjer i strømnettet enn det som var mulig før. De smarte strømmålerne har muliggjort timevis registrering av strømforbruk og korrekt, automatisk avlesning. Dette har økt kvaliteten og påliteligheten i forbruksdataene på strøm. Selv om det var mye snakk rundt innføringen av disse målerne i begynnelsen, har de gjort at det ikke bare er lettere å detektere en feil i nettet når den inntreffer, men også finne ut hvor den har oppstått og hvor store deler av nettet den vil påvirke.

I tillegg til AMS-målerne i hver husholdning kan man med andre målere også overvåke tilstanden til viktige komponenter i strømnettet over tid. Med andre ord har nettselskapene nå tilgang til rike mengder tidsserier fra målere både ute hos forbrukerne og fra komponenter i nettet. Dette er data som allerede har gitt nettselskapene mye viktig informasjon, men som fremdeles har enormt potensial til å sikre mer verdifull innsikt og effektiv drift gjennom bruk av avanserte analyser og prediksjoner.

Problemstillinger hvor AI kan gjøre en forskjell

For å optimalisere nettdriften mener NVE at det trengs både grundig analyse av driften som har vært, oversikt i driftsøyeblikket, og muligheter for prognosering av utfordringer både på kort og lengre sikt. Tradisjonelle deskriptive og diagnostiske analyser kan benyttes for finne innsikt og sammenhenger i historisk data. Typisk betyr dette trender og mønstre man kan observere over tid, og årsaken til at de har oppstått. Denne innsikten er viktig, ettersom det kan gi oss sammenhengen mellom effekter og årsak. Dersom vi imidlertid ønsker å rette blikket opp og fram, og søke informasjon om utfordringer som kan oppstå framover i tid, så beveger vi oss over i prediktive analyser. Dette er et aktivt fagområde innen kunstig intelligens. La oss derfor utforske noen av problemstillingene tilknyttet strømnettet, hvor anvendelser av kunstig intelligens kan bidra til verdifull innsikt og deteksjon av problemer.

Lastprediksjon

For å sikre nødvendig kvalitetsnivå på strømmen som leveres til forbrukerne, må det være korrekt forhold mellom mengden strøm som produseres og mengden strøm som forbrukes til enhver tid. Hvor mye strøm som skal hentes fra nettet i ulike områder, forteller også nettselskaper hvordan belastningen vil fordeles i deres nett, og hvilke komponenter som vil påvirkes mest. Jo mer presis prediksjon av forventet strømbehov, jo bedre kontroll får man over belastningen av strømnettet, og hvordan operasjon og drift hos nettselskapet må tilpasses deretter. Sammen med historisk målerdata på kundenes forbruk over tid, samt eksterne data som værforhold, lokasjon, årstid og strømpris, kan kunstig intelligens brukes til å predikere framtidig strømforbruk. Til dette formålet er særlig nevrale nett optimalisert for behandling av tidsserier eller sekvenser aktuelt, og her er det allerede gjort mye forskning. Dette sikrer nettselskapene forutsigbarhet av belastning under drift, som gir innsikt i levetiden til komponentene i nettet. Det bringer oss videre til neste anvendelsespunkt på listen.

Prediktivt vedlikehold og feildeteksjon

Når komponenter bryter ned i strømnettet forårsaker det både nedetid for nettkunder samt store kostnader for nettselskapene. I stedet for å vente til komponenter faktisk ryker og gir problemer, eller investere i dyre utskiftninger for tidlig, kan kunstig intelligens brukes til å optimalisere komponentenes levetid. Eksempler på dette kan være prediksjoner tilknyttet fare for overbelastninger i systemer gitt predikert strømforbruk, prediksjon på sannsynlig levetid gitt belastning over tid, prediksjoner på effekten av ekstreme værforhold på ulike deler av nettet og deteksjon av tilstander som øker sannsynligheten for at feil kan oppstå. Til dette trengs historikk over forbruksdata på strøm i nettet, produktinformasjon om komponentene i nettet, målerdata fra komponentene i nettet som spenning og temperatur, data på topologien i nettet, historikk over feil og værdata. Avhengig av formål er både nevrale nett og andre maskinlæringsmetoder for klassifisering aktuelle.

Balansering av spenning

Spenningen i strømnettet skal ha en viss kvalitet, mellom 207 og 253 volt, dette er definert gjennom «Forskrift om leveringskvalitet i kraftsystemet» fra Energidepartementet. Dersom spenningen er for lav kan elektriske apparater få utfordringer med å fungere slik de skal, for eksempel så kan lys begynne å blinke. Ved for høy spenning kan i verste fall apparater bli ødelagt. Derfor er det viktig å balansere spenningen i nettet. Dette gjøres av nettselskapet ved å trinne transformatorene i nettet, altså apparatene som regulerer spenningen opp og ned. På distribusjonsnettet (som holder en spenning på 11 kV) kan dette gjøres fra sentralt hold, men i de fleste transformatorer må trinningen gjøres på stedet. AMS-målere måler også spenningsnivået, og ved å kombinere disse dataene med blant annet værdata og nettet sin topologi, kan man predikere når og hvor eventuelle spenningsutfordringer kommer. Ved hjelp av KI kan man da finne flaskehalser i strømnettet og planlegge for utbedring, slik at man unngår brudd på leveringskvalitet. I stedet for å gjøre større investeringer i infrastruktur så kan man utbedre ulike flaskehalser til en langt lavere kostnad. Et eksempel på en slik flaskehals kan være strømkabler i nettet som blir utsatt for en høyere belastning enn de er dimensjonert for. For å redusere flaskehalsen kan kablene byttes og forsterkes. Trinning av transformatorer gjøres vanligvis avhengig av årstid, på grunn av mer spenningstap på kaldere dager. KI kan bidra til å finne optimalt nivå av trinning basert på historiske data, og dermed bidra til en bedre balanse og mer effektiv drift.

Fysisk overvåkning av strømnettet

I dag brukes bildeprosessering med kunstig intelligens til å detektere både beinbrudd i røntgenbilder, feil i solcellepaneler, ansiktsgjenkjenning og prosessering av seismiske avbildninger av havbunnen. På samme måte kan prosessering av overvåkningsbilder fra strømnettet gi indikatorer på behov for vedlikehold og mulige feil. Eksempler på dette kan være vegetasjon som har vokst for nære kraftlinjene, veltede trær, ødelagte komponenter på kraftlinjer og strømmaster, eller andre forhold som krever raskt vedlikehold. Ved å bruke f.eks. droner med GPS og kamera til overvåkningen kan man også logge posisjonen for hvor bildene er blitt tatt.

På denne måten kan man raskt identifisere både hva slags vedlikehold som er nødvendig, og hvor det må gjennomføres. Dette gir dermed en naturlig prioriteringsrekkefølge på driftsoppgaver ute i strømnettet, og sparte vedlikeholdskostnader.

Avslutning

I arbeidet med å digitalisere det norske strømnettet er det mulighet for å inkorporere mange nyttige anvendelser av kunstig intelligens, som kan bidra til viktig innsikt og optimalisering av nettdriften. Ovenfor har jeg nevnt noen interessante eksempler, men her er mulighetsrommet stort. Dette er et spennende område for både industri og forskning om dagen, som bare vil øke i omfang framover. Gitt at man klarer å produsere modeller med høy nok presisjon, er det potensielt mye gevinst å hente for nettselskaper på dette området.

CGIs systemer for Utilities-bransjen

Kilder:

Fra brettet til det smarte nettet: Fra-brettet-til-det-smarte-nettet.pdf (nve.no)

Big data analytics in smart grids: a review: Big data analytics in smart grids: a review | Energy Informatics | Full Text (springeropen.com)

Cindeldi sine hjemmesider: Centre for Intelligent Electricity Distribution (sintef.no)

A review of machine learning in building load prediction: A review of machine learning in building load prediction - ScienceDirect

NOU 2022: 6 Nett i tide – om utvikling av strømnettet: NOU 2022: 6 - regjeringen.no

Blogg fra Sintef om pilotprosjekt for nettinspeksjon med droner: Dronebilder og AI kan gjøre det både raskere og billigere å vedlikeholde strømnettet - #SINTEFblogg